图1 基于MWRA-ResNet电力物联网终端身份识别系统
Fig.1 Power IoT terminal identity authentication system based on MWRA-ResNet
摘要 针对现有无线通信设备信号识别方法需对信号进行域变换、增加网络输入数据维数的问题，该文提出基于多尺度窗口区域注意力残差网络的无线电力终端身份识别方法。首先，通过所提多尺度窗口模块完成信号前导码在各个周期尺度下的信息交互，使网络能够直接处理并识别原始无线通信信号数据；然后，设计区域注意力模块，以显著特征区域均值为评价指标对通道资源进行重新分配，提高了网络对信号局部特征的学习能力；最后，以池化分类器替代全连接层，采用Adam优化器进行梯度更新完成训练过程。实际采集无线信号数据实验结果表明，设计的各模块可显著提升网络的训练与识别性能，相同型号设备识别准确率提高至97.316%，非法设备的检测率达82.8%，可有效增强电力系统的无线通信安全。
关键词：无线通信安全 残差网络 身份识别 物理层安全 注意力机制
随着电力系统“数字化”转型的全面加快建设[1-2]，大量电力物联网无线终端应用于电力系统的各个环节中，实现对电力设备的信息感知与状态评估[3-5]。但现有无线终端因制造成本等约束，主要采用传统密码算法或安全协议的身份认证机制，容易遭受恶意攻击，给电力系统的无线通信带来安全隐患[6-7]。对于已部署的无线终端，不易增设影响其现有通信方式与协议的安全机制[8]。因此，亟须一种更安全且不影响已部署设备的身份认证机制，有效提升电力系统的无线通信安全，为电力系统“数字化”转型提供有力支撑。
近年来，基于无线网络物理层安全的身份认证机制受到了学者的广泛关注[9-10]。由于无线设备存在硬件制造差异，致使所发送的信号出现细微畸变，形成可用于设备身份识别的信号特征。硬件差异的随机性导致对应唯一的信号特征可用于识别设备身份，进而实现对合法设备的认证与非法设备的检测[11]。相对于目前的信息安全机制，基于物理层的身份识别方法因不需改变已部署设备的通信协议与硬件结构，在电力系统无线通信安全方面具有很大优势。
目前的无线信号识别技术可分为基于人工特征的传统方法和基于深度学习的方法。传统方法方面，文献[12-13]提取信号的时域统计特征实现对设备身份的识别；文献[14-15]利用信号的频谱特征来区分不同设备的无线信号。文献[16]提出基于稀疏表示的信号分类方案实现设备身份识别。传统方法可较高精度地识别不同型号的设备，但存在网络泛化能力差、相同型号设备识别精度低等问题。
基于深度学习的方法是利用深度神经网络学习信号样本的多层次特征，提取信号内在的细微差异，实现无线通信设备的身份识别。深度学习避免了人为提取信号特征的不完备性，具有泛化能力强及相同型号设备识别率高等优点[17-18]。文献[19-21]利用卷积神经网络（Convolution Neural Network, CNN）和残差网络（Residual Network, ResNet）实现对多种信号的分类识别。文献[22]将信号时域波形转换成二维频谱图，通过对多层感知器、长短期记忆（Long Short Term Memory, LSTM）人工神经网络及CNN的对比分析，最终采用CNN学习信号频谱图实现对相同设备的高精度识别；文献[23]提出改进CNN模型对时域信号转换后的差分星座轨迹图进行学习，实现了对无线设备较高的识别准确率；文献[24]将信号时域波形转换成二维时频图像，采用扩张残差网络提取信号视频图像特征，实现信号分类识别。然而，目前的深度学习方法主要对信号预处理转化后的二维数据进行识别分类，信号预处理复杂且数据扩维在一定程度上提高了网络对无线信号特征的寻觅难度。
针对上述问题，提出了基于多尺度窗口区域注意力残差网络（Multiscale Window Region Attention Residual Network, MWRA-ResNet）的无线电力终端身份识别技术。本文首先针对无线信号前导码特征，提出多尺度窗口（Multiscale Window, MW）模块对前导码各子帧信息进行关联学习，使得网络可直接处理与学习信号原始数据；在此基础上，设计区域注意力（Region Attention, RA）模块，利用区域的评价指标调整特征通道的分配占比，提升网络对局部信号特征的提取性能，最终进行了无线终端身份识别实验。实验结果表明，本文方法显著提升了对相同型号设备的识别精度，30个相同型号传感设备的实验识别精度可达97.316%，同时对非法设备识别率达82.8%。
由于无线通信终端的发射机元件制造差异、印制电路板印刷工艺等的影响，导致其发送的无线信号发生微弱畸变。差异的随机性导致对应的信号畸变可唯一反映终端身份，且作为物理层安全机制不会影响已部署电力终端的通信方式，仅需加设装置系统即可，可有效增强电力系统无线通信的安全性。
图1为基于MWRA-ResNet电力物联网终端身份识别系统，在无线终端接入电网前采集其无线通信信号，导入MWRA-ResNet模型中训练网络并提取设备特征，存储在合法设备库中并注册。模型训练完成并验证后，基于MWRA-ResNet身份认证系统可与无线通信终端一同入网。
图1 基于MWRA-ResNet电力物联网终端身份识别系统
Fig.1 Power IoT terminal identity authentication system based on MWRA-ResNet
当无线终端接入电力物联网进行通信时，系统首先采集终端无线通信的原始信号数据，接着利用MWRA-ResNet模型对终端进行身份识别，最后与设备入网前记录的合法设备库进行身份比对。当采集到的信号来源于合法设备库中时，判定为合法设备并通过认证；当信号来源的特征不属于合法设备库时，判定为非法设备进行报警并终止通信。
传统残差网络模型虽在分类问题中得到了广泛的应用，但存在无法直接处理信号原始数据以精确识别设备差异等问题。鉴于传统ResNet在原始信号识别上的缺陷，提出了多尺度窗口和区域注意力残差网络，网络结构如图2所示，其中，input为无线通信信号的原始数据；output为设备身份认证结果，即合法设备与设备ID或非法设备；MWM为提出的多尺度窗口模块；RARN为提出的区域注意力残差网络模块；Conv为卷积层；BatchNorm为批量归一化层；PReLU为激活函数层；PC为池化分类器。
图2 多尺度窗口区域注意力残差网络
Fig.2 Multiscale window region attention residual network
由于无线终端发射机的电子元器件存在制造容差、电路板走线及封装工艺、元件类型及布局等硬件差异，导致无线信号出现相应的参数偏差，产生因硬件差异随机性的可反映设备身份的唯一特征，例如：直流偏置、I/Q增益不平衡、I/Q正交偏移误差、I/Q两路滤波器偏差及功放非线性等特点，可用基于人工特征的传统方法进行身份识别，也为基于深度学习算法提供了理论依据[11,25-26]。
在无线通信中，由于IQ（in-phase quadrature）采样相较于传统实值采样的优点，软件无线电系统接收端采集得到的无线信号原始数据多为时域I/Q信号，分为同相分量与正交分量两路数据。I/Q信号两路数据间相互正交且信息相关，且存在硬件差异导致的信号畸变特征，满足卷积神经网络卷积核需求的空间相关性。可针对性地改进深度学习神经网络，进而实现对原始I/Q信号的学习与设备的身份识别认证。
图3为采集得到的无线信号前导码的原始I/Q信号波形，目前无线通信技术中，普遍在信号数据前加入前导码，由于前导码具有与通信数据无关、形式固定和易于采集等优点，故选择无线信号的前导码进行无线信号差异特征的学习与设备识别。
图3 原始I/Q信号波形
Fig.3 Raw I/Q signal waveforms
若利用神经网络直接对整个信号进行学习，网络不易学习信号局部特征，且容易受信号传输数据信息、噪声及环境因素的干扰，会降低网络的学习性能和识别甚至于无法实现识别。由于前导信号的帧格式基本固定，导致前导信号在时域波形上呈现周期性，因此可根据此特性设计模块处理局部区域信息并强化特征学习。
针对上述影响因素，基于前导码信号中存在的宏观波形周期性，在网络的第一层构建了多尺度窗口模块。
提出的多尺度窗口模块结构如图4所示，其中，MWE为多尺度窗口提取，GC为分组卷积，CS为通道堆叠，浅色部分为奇数列窗口，深色部分为偶数列窗口。对于输入的I/Q信号，首先通过k倍窗口与k/2倍横移步长（k取1/2,1/4,1/8）对信号进行提取重组。由于奇数列与偶数列的周期相似性不同，对提取窗口按奇偶进行分组排列。然后利用分组卷积对各尺度窗口进行特征提取，通过设定横向卷积步长（stride=1, 2, 4），将提取的通道特征控制在同一大小。最后，将各尺度通道特征进行堆叠输出。
图4 多尺度窗口模块
Fig.4 Multiscale windows module
该操作通过对信号周期相似性部分进行联动学习，使得网络具备学习并分辨子帧信息及抑制噪声干扰的能力，从而提升网络学习无线信号并区分差异的能力。
注意力机制是一种资源分配的机制，对于原本平均分配的资源，通过对注意力对象的部分特性进行重要性评价，最终重新分配资源。而硬件差异带来的信号畸变一般体现为局部的特征差异，现有的传统注意力机制考虑的是特征通道的整体，无法有效识别网络的局部特征差异。
鉴于传统注意力机制在无线信号识别中的上述问题，提出了区域注意力机制模块，在残差网络的批量归一层之后添加了区域注意力机制模块，以最大区域特征均值为评价指标，完成通道占比的重新分配。
区域注意力机制的单元结构如图5所示，其中，W、H为特征图大小，特征图为网络中卷积核输出的特征；C为特征通道数量，在图4中信号经MWE重组后，GC分组卷积后的红色、蓝色及黄色部分为特征通道，C即为各部分对应的数量；Avg为全局自适应均值池化层，N为池化输出个数，本文取标签种类个数且与已知类别数相同，Max为全局最大池化层，FC为全连接层，Mul为乘法运算。区域注意力机制通过全局自适应均值池化，对特征通道按标签种类数进行区域划分并分别计算区域特征均值，随后利用全局最大池化层提取显著区域均值作为评价指标，最后采用三层全连接层拟合指标分配函数，获得最终的通道权重为
图5 区域注意力机制
Fig.5 Mechanism of regional attention
（1）
式中，Fc为指标分配函数；
为第i个区域的特征分布均值；
为第i个区域的特征分布（i＝1, 2,×××,30)。
最后，通道权重
与输入特征图
进行点乘运算，得到具有区域注意力的特征图，即
（2）
该模块通过对通道进行区域划分，提取最大特征区域均值作为评价指标，随后利用指标分配函数完成特征通道占比的重新分配，有效增加了显著区域信息对通道的影响力，提高了网络对局部信号的提取性能。
MWRA-ResNet实现无线电力终端身份识别的完整流程如图6所示，该方法通过采集待入网无线电力终端的原始I/Q信号进行训练，利用提出的MW模块在不对信号数据进行重构的前提下实现对信号的分类，提出的RA模块加速了网络的训练速度。训练好的网络可对采集到的信号进行识别，并与入网前记录的合法设备库进行比对，实现对设备身份的识别。
为评估所提方法的识别效果与所提出的各模块的性能，实际采集30个相同型号设备，共计30 000个数据进行设备身份识别实验。为更全面地分析所提出的各模块具体表现，对包含不同所提出模块的共五种改进模型进行训练与测试集验证，从中选取50%为训练集，剩余50%为测试集。
图6 MWRA-ResNet识别流程
Fig.6 Identification process of MWRA-ResNet
在实验室利用软件定义无线电（Software Defined Radio, SDR）设备USRP N210采集设备的无线信号，共采集了30个相同厂商及型号的LoPy4设备，设备所用芯片为SX1276，可工作频率范围为137～1 020MHz，可工作带宽为7.8～500kHz。实验设置其工作频率为868.1MHz，信号传输间隔为0.3s，信号数据选自文献[27]，数据包长度为8 192，USRP N210采样率为1MHz，每个设备采集1 000个前导序列的信号样本，共计30 000个信号样本数据。
算法代码基于PyTorch框架，深度学习服务的GPU为NVIDIA GTX3070，运行环境为16G，CUDA11.3，CUDNN8.2.0的硬件环境。训练实时监控为Tensorboard框架。
实验传统残差网络（ResNet）及包含不同所提子模块的四种优化模型：单尺度窗口残差网络（Single-Scale Window Residual Network, SW-ResNet）、多尺度窗口残差网络（Multiscale Window Residual Network, MW-ResNet）、多尺度窗口传统注意力残差网络（Multiscale Window Attention Residual Network, MWA-ResNet）与多尺度窗口区域注意力残差网络（MWRA-ResNet）进行性能分析比较，进一步验证所提各模块的有效性。不同模型差别及各模块参数设定见表1。
表1 不同模型模块设置参数
Tab.1 Setting parameters for different model modules
模型单尺度窗口多尺度窗口传统注意力区域注意力 ResNet———— SW-ResNet√——— MW-ResNet—√—— MWA-ResNet—√√— MWRA-ResNet—√—√
由于传统ResNet模型的训练时间过长，选择先采用每组100条共3 000条信号数据进行预训练 2 500次，再采用每组500条共15 000组数据进行训练，ResNet模型的训练集与测试集的识别结果如图7所示，其中，由于测试集数据存在波动性，所有测试集结果均采取50 pts平滑度参数的相邻平均法进行平滑处理，以便观察及分析比较。
图7 传统ResNet模型训练集与测试集识别结果
Fig.7 Training set and test set recognition results of traditional ResNet
由图7可以看出，传统ResNet模型不仅训练至拟合所需时间过长，在测试集的识别准确率上也较低，不适用于直接对信号原始数据进行学习训练与身份识别。
图8为所提四种优化模型训练集的Loss曲线，可以看出，相较于ResNet模型，迭代3 000次趋于收敛，所提的SW-ResNet、MW-ResNet、MWA-ResNet及MWRA- ResNet四种优化模型均进行300次迭代训练至网络趋于稳定。加入尺度模块后的SW-ResNet与MW-ResNet两种模型训练趋于稳定所需时间大大减少，且多尺度模块的MW-ResNet模型提升效果更加明显。
图8 四种优化模型训练集与测试集识别结果
Fig.8 Training set and test set recognition results of four kinds of optimization model
对于在MW-ResNet模型的基础上加入传统的通道注意力后的MWA-ResNet模型，并未对训练时间有所提升，而加入区域注意力机制的MWRA-ResNet模型可进一步提升训练性能，且在迭代50次后趋于稳定，证明所提的多尺度模块与区域注意力机制可有效提升残差网络的学习性能。
图9为四种优化模型测试集识别准确率结果，可以看出，相较于传统ResNet模型64.791%的测试集识别率，加入单尺度模块的SW-ResNet模型识别准确率可达95.943%，加入多尺度模块的MW-ResNet模型识别准确率可达96.641%，极大提升了传统ResNet模型的识别精度。验证了综合考虑前导码信号各子帧信息的多尺度模块对网络性能提高的有效性。此外，对于在MW-ResNet模型的基础上加入传统的通道注意力后的MWA-ResNet模型，并未对识别精度有所提升，而加入区域注意力机制的MWRA-ResNet模型识别准确率可达97.316%，在提升训练性能的同时进一步提高了识别准确率。验证了区域注意力机制可有效提高网络识别信号畸变特征的性能。
图9 不同模型测试集识别准确率对比
Fig.9 Comparison of recognition accuracy of test sets’ different models
由于传统的分类网络在网络的输出层后采用Softmax激活函数进行归一化处理，得到输出概率，取输出概率的最大值对应标签作为信号的设备型号，当所有设备输出概率都较低时，仅选择最大输出概率的设备作为结果容易导致误判，造成识别结果的不准确。为进一步精确识别结果，使评判更为客观，在采取传统识别准确率作为评价指标的同时，对最终设备身份判定加入概率阈值条件，提出90%置信识别准确率指标，即当识别结果的最大输出概率达到90%及以上时定义为90%置信识别。
图10为四种模型测试集90%置信准确率结果，可以看出，在90%置信识别下，多尺度模块较单尺度模块性能提升更为明显。加入通道注意力后，对识别效果没有提升，而加入区域注意力机制后，识别准确率继续提升。
图10 不同模型测试集90%置信准确率结果
Fig.10 Results of 90% confidence accuracy of test sets’ different models
综上所述，构建的多尺度模块由于考虑前导码信号各子帧的信息，避免对信号整体分析导致的局部差异特征丢失，显著提升了训练性能与识别准确率；提出的区域注意力机制通过对通道进行区域划分，进一步加强对区域差异特征的学习，在多尺度模块的基础上实现对训练性能与识别精度进一步提升。进一步验证了所构建模块的性能。
由于测试集的训练结果随迭代次数的增加产生波动，影响对识别结果的分析，选择对最后10次迭代的网络模型进行综合分析，提出截尾平均准确率。截尾平均准确率是参考统计学中剔除两端均值的截尾均值，剔除极端值后可消除极端值对数据均值的影响，更好地反映数据特征。截尾均值
的计算公式为
（3）
式中，
为数据升序排列后的顺序序列；n为数据总数。
截尾平均准确率为剔除最优与最差结果后的剩余迭代次数的识别准确率均值，避免了随机性对各模型测试集识别结果的影响，使得分析更为科学合理。
表2为五种模型的对30个相同型号设备的识别结果，其中，90%置信准确率为90%置信识别下的截尾平均准确率。由表2可以看出，传统ResNet模型的截尾平均准确率为64.791%，90%置信准确率仅为45.813%，表明不进行匹配的传统ResNet模型缺乏从I/Q信号样本中精确提取设备差异特征的能力；加入尺度模块后的SW-ResNet准确率为95.943%，较传统ResNet模型提高了30%以上，多尺度模块的MW-ResNet模型较SW-ResNet在90%置信准确率提升了2.1%，验证了多尺度窗口模块在无线信号原始I/Q数据识别的优良性能；加入注意力机制的MWA-ResNet模型与MW-ResNet模型相比在识别准确率上差别不大，但对于提出的考虑区域注意力机制的MWRA-ResNet模型，在提高训练性能的同时，对相同型号设备的识别率达到97.316%，截尾平均准确率提升了0.07%，在90%置信准确率提升了1.6%，表明区域注意力机制相对于传统通道注意力机制在大幅改进训练性能的同时，提升了网络模型对局部差异特征的学习能力。
表2 不同模型身份识别结果
Tab.2 Identification result of different models
模 型截尾平均准确率（%）90%置信准确率（%） ResNet64.79145.813 SW-ResNet95.94389.303 MW-ResNet96.64191.475 MWA-ResNet96.62891.688 MWRA-ResNet97.31693.320
为了进一步验证模型的有效性，测试对非法设备识别的效果，选取5个未参与训练过的LoPy4设备作为非法设备，未参与训练过的LoPy4发送相同前导信号进行实验，其余采集参数与先前完全一致，每个非法设备各采集400个信号样本，以模拟非法设备进行通信的情形。
表3为非法设备身份识别结果，可以看出，设置置信识别后网络可成功检测非法设备，且置信度越高非法设备成功识别率越高，当为99%置信时，非法设备的平均识别率为82.80%。
表3 非法设备身份识别结果
Tab.3 Identification result of illegal devices
标签非法设备识别率（%） 99%置信98%置信97%置信96%置信95%置信 非法设备192.00%86.00%83.00%79.25%76.75% 非法设备271.50%62.75%57.75%55.50%51.00% 非法设备375.75%69.25%64.00%58.75%56.50% 非法设备485.50%78.25%70.25%67.00%63.50% 非法设备589.25%85.50%80.50%76.50%73.00% 平均识别率82.80%76.35%71.10%67.40%64.15%
本文针对电力系统无线通信安全提出了基于多尺度窗口区域注意力残差网络的无线电力终端身份识别方法，通过实际采集的无线通信数据进行实验验证，得出如下结论：
1）针对信号前导码帧结构存在一定周期相似性，提出了多尺度窗口模块，使网络具备学习与分辨硬件差异导致信号畸变特征的能力。通过实验证明了该模块能够有效规正网络在分类任务中的学习方向，针对性地学习设备差异对信号带来的影响。
2）针对传统残差网络在局部特征分析上的缺陷，构建了区域注意力机制模块，以通道划分区域的均值最大值作为评价指标，对通道占比进行重新分配，增加了显著区域对通道的影响力。通过实验证明了该模块相对通道注意力机制，能够更好地扩大差异，提高信号分类任务的识别性能。
3）提出的基于多尺度窗口区域注意力残差网络的身份识别方法实现了对无线信号原始I/Q数据的差异特征自学习。实验结果表明，提出的MWRA-ResNet模型与其他四种模型相比在学习性能上有较大提升，MWRA-ResNet模型对相同型号设备的识别准确率可达97.316%，非法设备的识别率达82.80%。
参考文件
[1] 黄彦钦, 余浩, 尹钧毅, 等. 电力物联网数据传输方案：现状与基于5G技术的展望[J]. 电工技术学报, 2021, 36(17): 3581-3593.
Huang Yanqin, Yu Hao, Yin Junyi, et al. Data transmission schemes of power Internet of Things: present and outlook based on 5G technology[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3581-3593.
[2] 王红霞, 王波, 董旭柱, 等. 面向多源电力感知终端的异构多参量特征级融合：融合模式、融合框架与场景验证[J]. 电工技术学报, 2021, 36(7): 1314-1323.
Wang Hongxia, Wang Bo, Dong Xuzhu, et al. Heterogeneous multi-parameter feature-level fusion for multi-source power sensing terminals: fusion mode, fusion framework and application scenarios[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1314-1323.
[3] 刘云鹏, 李欢, 田源, 等. 基于分布式光纤传感的绕组变形程度检测[J]. 电工技术学报, 2021, 36(7): 1347-1355.
Liu Yunpeng, Li Huan, Tian Yuan, et al. Winding deformation detection based on distributed optical fiber sensing[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1347-1355.
[4] 陈伟根, 张知先, 李剑, 等. 电气设备状态参量智能传感技术[J]. 中国电机工程学报, 2020, 40(增刊1): 323-342.
Chen Weigen, Zhang Zhixian, Li Jian, et al. Intelligent sensing technology for power equipment state parameters[J]. Proceedings of the CSEE, 2020, 40(S1): 323-342.
[5] 赵仕策, 赵洪山, 寿佩瑶. 智能电力设备关键技术及运维探讨[J]. 电力系统自动化, 2020, 44(20): 1-10.
Zhao Shice, Zhao Hongshan, Shou Peiyao. Discussion on key technology and operation & maintenance of intelligent power equipment[J]. Automation of Electric Power Systems, 2020, 44(20): 1-10.
[6] 肖勇, 钱斌, 蔡梓文, 等. 电力物联网终端非法无线通信链路检测方法[J]. 电工技术学报, 2020, 35(11): 2319-2327.
Xiao Yong, Qian Bin, Cai Ziwen, et al. Malicious wireless communication link detection of power Internet of thing devices[J]. Transactions of China Electrotechnical Society, 2020, 35(11): 2319-2327.
[7] 苏盛, 汪干, 刘亮, 等. 电力物联网终端安全防护研究综述[J]. 高电压技术, 2022, 48(2): 513-525.
Su Sheng, Wang Gan, Liu Liang, et al. Review on security of power Internet of Things terminals[J]. High Voltage Engineering, 2022, 48(2): 513-525.
[8] 徐争光. 无线通信中物理层认证关键技术的研究综述[J]. 华南理工大学学报(自然科学版), 2018, 46(5): 47-52.
Xu Zhengguang. Review of physical-layer authentication key technology in wireless communication[J]. Journal of South China University of Technology (Natural Science Edition), 2018, 46(5): 47-52.
[9] 刘铭, 刘念, 韩晓艺, 等. 一种基于射频指纹的电力物联网设备身份识别方法[J]. 中国电力, 2021, 54(3): 80-88.
Liu Ming, Liu Nian, Han Xiaoyi, et al. A RF fingerprint based EIoT device identification method[J]. Electric Power, 2021, 54(3): 80-88.
[10] 陈子骁, 周小明, 李钊, 等. 一种基于射频指纹的电网无线设备入侵检测算法[J]. 无线电工程, 2021, 51(5): 352-359.
Chen Zixiao, Zhou Xiaoming, Li Zhao, et al. An intrusion detection algorithm for power grid wireless equipment based on radio frequency fingerprint[J]. Radio Engineering, 2021, 51(5): 352-359.
[11] 袁红林, 胡爱群. 射频指纹的产生机理与惟一性[J]. 东南大学学报(自然科学版), 2009, 39(2): 230-233.
Yuan Honglin, Hu Aiqun. Fountainhead and uniqueness of RF fingerprint[J]. Journal of Southeast University (Natural Science Edition), 2009, 39(2): 230-233.
[12] Bihl T J, Bauer K W, Temple M A. Feature selection for RF fingerprinting with multiple discriminant analysis and using ZigBee device emissions[J]. IEEE Transactions on Information Forensics and Security, 2016, 11(8): 1862-1874.
[13] Uzundurukan E, Ali A M, Dalveren Y, et al. Performance analysis of modular RF front end for RF fingerprinting of bluetooth devices[J].Wireless Personal Communications, 2020, 112(4): 2519-2531.
[14] 王欢欢, 张涛. 结合时域分析和改进双谱的通信信号特征提取算法[J]. 信号处理, 2017, 33(6): 864-871.
Wang Huanhuan, Zhang Tao. Extraction algorithm of communication signal characteristics based on improved bispectra and time-domain analysis[J]. Journal of Signal Processing, 2017, 33(6): 864-871.
[15] Suski W C, Temple M, Mendenhall M, et al. Radio frequency fingerprinting commercial communication devices to enhance electronic security[J]. International Journal of Electronic Security and Digital Forensics, 2008, 1(3): 301-322.
[16] Yang K, Kang J, Jang J, et al. Multimodal sparse representation-based classification scheme for RF fingerprinting[J]. IEEE Communications Letters, 2019, 23(5): 867-870.
[17] 赵洪山, 彭轶灏, 刘秉聪, 等. 基于边缘注意力生成对抗网络的电力设备热成像超分辨率重建[J]. 中国电机工程学报, 2022, 42(10): 3564-3572.
Zhao Hongshan, Peng Yihao, Liu Bingcong, et al. Super-resolution reconstruction of electric equipment's thermal imaging based on generative adversarial network with edge-attention[J]. Proceedings of the CSEE, 2022, 42(10): 3564-3572.
[18] 曲岳晗, 赵洪山, 马利波, 等. 多深度神经网络综合的电力变压器故障识别方法[J]. 中国电机工程学报, 2021, 41(23): 8223-8230.
Qu Yuehan, Zhao Hongshan, Ma Libo, et al. Multi-depth neural network synthesis method for power transformer fault identification[J]. Proceedings of the CSEE, 2021, 41(23): 8223-8230.
[19] O’Shea T J, Corgan J, Clancy T C. Convolutional radio modulation recognition networks[C]//International Conference on Engineering Applications of Neural Networks, Cham, Springer, 2016: 213-226.
[20] O’Shea T J, Roy T, Clancy T C. Over-the-air deep learning based radio signal classification[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 168-179.
[21] West N E, O'Shea T. Deep architectures for modulation recognition[C]//2017 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN), Baltimore, MD, USA, 2017: 1-6.
[22] Shen Guanxiong, Zhang Junqing, Marshall A, et al. Radio frequency fingerprint identification for LoRa using deep learning[J]. IEEE Journal on Selected Areas in Communications, 2021, 39(8): 2604-2616.
[23] Peng Linning, Zhang Junqing, Liu Ming, et al. Deep learning based RF fingerprint identification using differential constellation trace figure[J]. IEEE Transactions on Vehicular Technology, 2020, 69(1): 1091-1095.
[24] 秦鑫, 黄洁, 查雄, 等. 基于扩张残差网络的雷达辐射源信号识别[J]. 电子学报, 2020, 48(3): 456-462.
Qin Xin, Huang Jie, Zha Xiong, et al. Radar emitter signal recognition based on dilated residual network[J]. Acta Electronica Sinica, 2020, 48(3): 456-462.
[25] Wang Wenhao, Sun Zhi, Piao Sixu, et al. Wireless physical-layer identification: modeling and validation[J]. IEEE Transactions on Information Forensics and Security, 2016, 11(9): 2091-2106.
[26] Shi Yan, Jensen M A. Improved radiometric identification of wireless devices using MIMO transmission[J]. IEEE Transactions on Information Forensics and Security, 2011, 6(4): 1346-1354.
[27] Shen Guanxiong, Zhang Junqing, Marshall A, et al. Towards scalable and channel-robust radio frequency fingerprint identification for LoRa[J]. IEEE Transactions on Information Forensics and Security, 2022, 17: 774-787.
Abstract The technique of wireless terminal identification based on the differential characteristics of wireless signals is currently an important physical layer security mechanism. However, traditional wireless signal identification methods generally require signal-signal domain conversion. Therefore, the dimensionality of the data and the arithmetic power requirements are enhanced. This can increase the application cost of this security mechanism. To solve this problem, a residual network-based wireless power terminal identification method is proposed. With the designed multiscale window module and area attention module, it can directly process the signal raw data to accurately identify the legal device identity and illegal device detection.
First, the proposed multiscale window module completes the information interaction of the signal precursor code at each cycle scale, enabling the network to directly process and identify the raw wireless communication signal data. Then, the regional attention module is designed to reallocate channel resources with the mean value of significant feature regions as the evaluation index, which improves the network's ability to learn local features of signals. Finally, a pooling classifier is used to replace the fully connected layer, and the Adam optimizer is used for gradient update to complete the training process. In this model, the multiscale window module makes use of the leading code subframe feature, which can directly process the original signal data and greatly improve the learning performance recognition effect.
The experimental results on the actual collected wireless terminal signal data show that the multiscale module improves the recognition accuracy by 31% compared with the traditional residual network due to the comprehensive consideration of the information of each subframe of the leading code signal. The recognition accuracy and learning performance of the network are significantly improved, which verifies the effectiveness of the module on network performance improvement. The addition of the regional attention mechanism further improves the recognition accuracy while improving the training performance. It is verified that the region attention mechanism can effectively improve the performance of the network in recognizing signal distortion features. The recognition accuracy is up to 97.316% for 30 identical models of commercial devices. Also, the maximum value of the output probability corresponding to the label is selected as the identification result of the identity, and the threshold of the output probability is defined as the confidence level, which can also detect the illegal devices while further scientific evaluation. Five experiments of uninvolved training devices are selected for illegal detection, and the results show that when the confidence level is 99%, the detection rate of illegal devices reaches 82.8%.
The following conclusions can be drawn from the analysis of the experimental results: ① The constructed multiscale module avoids the loss of local difference features caused by the analysis of the signal as a whole because it considers the information of each subframe of the leading code signal, which significantly improves the training performance and recognition accuracy. ② The proposed regional attention mechanism further enhances the learning of regional difference features by dividing the channel into regions, which achieves a significant improvement in the training performance and This achieves further improvement of training performance and recognition accuracy. ③ The proposed identification method based on multi-scale windowed regional attention residual network achieves self-learning of the difference features of the original I/Q data of wireless signals. The recognition accuracy of the same model device can reach 97.316%, and the recognition rate of illegal devices reaches 82.8%.
keywords：Wireless communication security, residual networks, identity authentication, physical layer security, attention mechanism
DOI:10.19595/j.cnki.1000-6753.tces.221122
中图分类号：TN92
赵洪山 男，1965年生，教授，博士生导师，研究方向为电力设备的智能感知与状态评估，电力系统信息通信技术等。E-mail：zhaohshcn@126.com
孙京杰 男，1999年生，硕士，研究方向为电力系统无线通信安全。E-mail：jingjie_sun@ncepu.edu.cn（通信作者）
收稿日期 2022-06-14
改稿日期 2022-08-12
（编辑 郭丽军）